Safi’i, Akhmad Muzanni (2019) Klasifikasi Jenis Makanan Dari Citra Smartphone Berdasarkan Ekstraksi Fitur Haralick Dan Cie Lab Color Moment Menggunakan Learning Vector Quantization. Sarjana thesis, Universitas Brawijaya.
Abstract
Pemilihan makanan menjadi sesuatu yang penting bagi para penderita penyakit tertentu. Akan tetapi, memilih sebuah makanan menjadi sebuah masalah bagi orang yang pertama kali mencicipi suatu makanan atau wisatawan yang baru pertama kali berkunjung ke suatu negara. Untuk mengatasi permasalahan tersebut, perlu dilakukan penelitian untuk mengenali/mengklasifikasikan suatu citra makanan. Fitur Haralick dan CIE Lab Color Moments terbukti dapat menghasilkan fitur yang bagus untuk kasus klasifikasi. Metode Learning Vector Quantization juga menjadi alternatif untuk melakukan proses klasifikasi. Berdasarkan pengujian k-fold cross validation dengan k=10 dan metode evaluasi berupa akurasi, didapatkan akurasi maksimal sebesar 0.642051 dengan nilai parameter learning rate sebesar 0.2, pengali learning rate sebesar 0.8, nilai m sebesar 0.1, nilai epsilon sebesar 0.4, iterasi maksimal sebesar 10 dan learning rate minimal sebesar 0.000001. Hal tersebut menunjukkan bahwa klasifikasi citra makanan berdasarkan ekstraksi fitur Haralick dan CIE Lab Color Moment menggunakan Learning Vector Quantization menghasilkan akurasi yang cukup baik. Selain itu, penggunaan kedua fitur tekstur (Haralick) dan warna (CIE Lab Color Moments) berpengaruh terhadap hasil akurasi. Hal tersebut ditunjukkan dengan seluruh hasil pengujian yang menunjukkan bahwa hasil akurasi tertinggi dicapai menggunakan fitur tekstur dan warna.
English Abstract
Choosing a food becomes something important for sufferers of certain diseases. However, choosing a food is a problem for people who taste a food for first time or tourists who are visiting a country for first time. To overcome these problems, research needs to be done to identify / classify a food image. The Haralick and CIE Lab Color Moments features are proven to produce good features for classification cases. The Learning Vector Quantization method is also an alternative for classification process. Based on the k-fold cross validation with k = 10 and accuracy as evaluation method, the maximum accuracy is 0.642051 with learning rate parameter value is 0.2, the learning rate multiplier is 0.8, the m value is 0.1, the epsilon value is 0.4, maximum iteration is 10 and minimum learning rate is 0.000001. This result shows that food image classification based on Haralick feature extraction and CIE Lab Color Moment using Learning Vector Quantization produces fairly good accuracy. In addition, the use of both texture (Haralick) and color features (CIE Lab Color Moments) has an effect on the results of accuracy. This is indicated by all the test results which show that the highest accuracy results are achieved using texture and color features.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FILKOM/2019/195/051902365 |
| Uncontrolled Keywords: | klasifikasi, Haralick, CIE Lab Color Moments, Learning Vector Quantization, cross-validation, classification, Haralick, CIE Lab Color Moments, Learning Vector Quantization, cross-validation |
| Subjects: | 300 Social sciences > 338 Production > 338.1 Agriculture > 338.19 Food Supply |
| Divisions: | Fakultas Ilmu Komputer > Teknik Informatika |
| Depositing User: | Nur Cholis |
| Date Deposited: | 12 Jun 2020 08:26 |
| Last Modified: | 24 Oct 2021 05:05 |
| URI: | http://repository.ub.ac.id/id/eprint/168927 |
Preview |
Text
Akhmad Muzanni Safi’i (2).pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |